جلسه۷ رپیدماینر: آموزش یک پروژه عملی جهت خوشه بندی دیتاست حملات در رپیدماینر

جلسه۷ رپیدماینر: آموزش یک پروژه عملی جهت خوشه بندی دیتاست حملات در رپیدماینر

بعد از خرید دوره آموزشی، به ویدئو های اصلی این دوره دسترسی خواهید داشت.
اگر در این دوره قبلا ثبت نام کرده اید، برای دسترسی به ویدئو های اصلی این دوره، بر روی دکمه ورود کلیک نمایید.
هزینه دوره آموزشی :
269,200 تومان
229,000 تومان

جلسه شماره ۷: آموزش عملی خوشه بندی داده ها بر روی دیتاست حملات در رپیدماینر

مهمترین وظیفه خوشه بندی تقسیم کردن جمعیت یا داده های در چندین گروه است، به طوریکه نقاط داده ای در یک گروه نسبت به نقاط داده ای در گروه دیگر مشابه نیست. عبارت ساده تر، هدف اصلی خوشه بندی این است که گروه ها با صفات مشابه را جدا ساخته و آن ها را به خوشه ها اختصاص دهیم.

از جمله مهمترین کاربردهای خوشه بندی عبارتند از: جدا سازی داده های Outlier در یک مجموعه داده، گروه بندی جمعیتی از نمونه ها، حذف نمونه های پنهان و غیره.

بطور کلی در این جلسه آموزشی که ادامه جلسه ۶ از دوره آموزشی رپیدماینر است، بصورت عملی فرآیند خوشه بندی نمونه های حملات انجام می گیرد. در این جلسه آموزشی به توضیحات جزئی پرداخته نشده است و تنها اجرای خوشه بندی بر روی داده حملات صورت پذیرفته است.

با این وجود در این جلسه آموزشی بصورت فراگیر خواهید آموخت که نحوه خوشه بندی داده های حملات در یک سیستم مثل سیستم ناسا به چه صورت خواهد بود. بعبارت دیگر فرآیند خوشه بندی با استفاده از الگوریتم های K-Means و X-Means و K-Medio ds و DBSCAN را با هم خواهید آموخت.

سرفصل ها و رئوس مطالب در این جلسه آموزشی از مجموعه دوره های رپیدماینر عبارتند از:

برخی از مهمترین مباحثی که در این دوره آموزشی تشریح می گردد عبارتند از:

- تشریح دیتاست استفاده شده(دیتاست حملات) بصورت نمونه و معرفی ویژگی هدف که در مراحل خوشه بندی میبایست حذف گردد.

- معرفی کنترل Read Excel جهت ورود داده های مورد استفاده به مدل خوشه بندی تولید شده

- معرفی کنترل Replace Miss Value و اعمال به مدل جهت حذف نمونه های بلااستفاده

- معرفی کنترل Normalize و اعمال به مدل تولید شده جهت نرمال سازی داده ها و افزایش دقت خوشه بندی داده ها

- معرفی کامل الگوریتم خوشه بندی K-Means و پارامترهای مربوط به آن

- معرفی مشکلات و ضعف الگوریتم خوشه بندی K-Means و نقاط قوت این الگوریتم

- ارائه یک مثال عملی از الگوریتم خوشه بندی K-Means بروی داده های حملات در حالت نرمالایز و بدون حالت نرمالایز

- تشریح کامل خروجی ها و نتایج الگوریتم خوشه بندی K-Means

- معرفی کامل الگوریتم خوشه بندی X-Means و پارامترهای مربوط به آن

- معرفی مشکلات و ضعف الگوریتم خوشه بندی X-Means و نقاط قوت این الگوریتم

- ارائه یک مثال عملی از الگوریتم خوشه بندی X-Means بروی داده های حملات در حالت نرمالایز و بدون حالت نرمالایز

- تشریح کامل خروجی ها و نتایج الگوریتم خوشه بندی X-Means

- معرفی و تشریح بهبودهایی که الگوریتم X-Means نسبت به K-Means دارد

- معرفی الگوریتم خوشه بندی K-Mediods و پارامترهای مربوطه

- اعمال یک مدل عملی از نحوه خوشه بندی الگوریتم K-Mediods

- معرفی الگوریتم خوشه بندی DBSCAN و پارامترهای مربوطه

- اعمال یک مدل عملی از نحوه خوشه بندی الگوریتم DBSCAN

- تولید یک مدل خوشه بندی ترکیبی و ارائه سورس آن

این آموزش برای رشته های زیر مفید است:

دوره های آموزشی نرم افزار داده کاوی رپیدماینر(Rapidminer) از جلسات مقدماتی تا سطوح متوسطه و پیشرفته برای رشته هایی ذیل مناسب و مفید می باشد.

- رشته کامپیوتر گرایش های نرم افزار، سخت افزار و معماری

- رشته تجارت الکترونیک

- رشته برنامه نویسی

- رشته فناوری اطلاعات

- و سایر رشته های مرتبط

پیش نمایش و دانلود فیلم کمک آموزشی:

جلسه۷ رپیدماینر: آموزش یک پروژه عملی جهت خوشه بندی دیتاست حملات در رپیدماینر

در این جلسه آموزشی بصورت فراگیر خواهید آموخت که نحوه خوشه بندی داده های حملات در یک سیستم مثل سیستم ناسا به چه صورت خواهد بود. بعبارت دیگر فرآیند خوشه بندی با استفاده از الگوریتم های K-Means و X-Means و K-Medio ds و DBSCAN را با هم خواهید آموخت.
مطالب آموزشی

مشاهده همه مطالب